yolov1 模型理解

Contents

1 yolov1 单阶段目标检测网络
- 1.1 设计理念
- 1.2 yolov1 网络详细设计
- 1.3 输出 tensors 为7*7*(2*5 20)解释
- 1.4 输出维度各个参数计算方式
- 1.5 损失函数理解
- 1.6 yolov1 缺陷
2 参考资料

本文为作者对 yolov1 算法学习的理解笔记，部分图片和文字来源于网络。

yolov1 单阶段目标检测网络

设计理念

yolov1 直接采用 regression（回归）的方法进行坐标框的检测以及分类，使用一个end-to-end的简单网络，直接实现坐标回归与分类。Yolo的CNN网络将输入的(448*448)图片分割成 S∗S 网格，然后每个单元格负责去检测那些中心点落在该格子内的目标，如图下图所示，可以看到狗这个目标的中心落在左下角一个单元格内，那么该单元格负责预测这个狗。每个单元格会预测 B 个边界框（bounding box）以及边界框的置信度（confidence score）。

yolov1 网络详细设计

Yolov1 采用卷积网络来提取特征，然后使用全连接层来得到预测值，检测网络由24个convolutional layers和之后的两个connected layers组成。于convolutional layers，主要使用 1×1 卷积来做channle reduction，然后紧跟3×3卷积。对于卷积层和全连接层，采用 Leaky ReLU 激活函数：(max(x,0.1x)) 。但是最后一层却采用线性激活函数。

输出 tensors 为`77(2*5 20)`解释

这里注意 yolov1 论文中，输入为448*448大小，输出tensors为7*7*(2*5 20)，骨干网络为GoogLeNet。输出维度：7*7*(2*5 20):

1. 如果一个object的中心落在某个单元格上，那么这个单元格负责预测这个物体。

2. 每个单元格需要预测B个bbox值(bbox值包括坐标xy和宽高wh，原文中B=2)，同时为每个bbox值预测一个置信度(confidence scores)。也就是每个单元格需要预测B×(4 1)个值。

3. 每个单元格需要预测C(物体种类个数，原文C=20，这个与使用的数据库有关)个条件概率值. 所以，最后网络的输出维度为S×S×(B×5 C)

详细解释如下图：

将图片分为S×S个单元格(原文中S=7)，之后的输出是以单元格为单位进行的：对于每一个单元格，前20个元素是类别概率值，然后2个元素是边界框置信度，两者相乘可以得到类别置信度，最后8个元素是边界框的 (x, y, w, h) 。这里。对于边界框为什么把置信度 c 和 (x, y, w, h) 都分开排列，而不是按照 (x, y, w, h, c) 这样排列，其实纯粹是为了计算方便，因为实际上这30个元素都是对应一个单元格，其排列是可以任意的。但是分离排布，程序上可以方便地提取每一个部分。这里来解释一下，首先网络的预测值是一个二维张量 P ，其shape为 [batch,7*7*30] 。采用切片，那么 ( P_{[:,0:7*7*20]} ) 就是类别概率部分，而 ( P_{[:,7*7*20:7*7*(20 2)]} ) 是置信度部分，最后剩余部分( P_{[:,7*7*(20 2):]})是边界框的预测结果。这样，提取每个部分是非常方便的，这会方面后面的训练及预测时的计算。

输出维度各个参数计算方式

1. 知道了输出维度的解释，我们还需要知道每个单元格预测的B个(x,y,w,h,confidence)的向量和C个条件概率中，每个参数的含义和计算方式（假设图片宽为(w_{i})和高为(h_{i})，将图片分为S*S网格）：

2. (x, y)：中心坐标的预测值 (x,y) 是相对于每个单元格左上角坐标点的偏移值，并且单位是相对于单元格大小的。对于下图中蓝色框的那个单元格(坐标为(xcol=1,yrow=4))，假设它预测的输出是红色框的bbox, 设bbox的中心坐标为(( x_{c},y_{c} )), 那么最终预测出来的(x,y)是经过归一化处理的，表示的是中心相对于单元格的offset，计算公式如下：

frac{x_{c}}{w_{i}}*S-x_{col}，frac{y_{c}}{h_{i}}*S-y_{col}

3. (w, h)：边界框的 w 和 h 预测值是相对于整个图片的宽与高的比例，理论上(x,y,w,h)4个元素的大小应该在 0−1 范围。

4. confidence：置信度是由两部分组成，一是格子内是否有目标，二是bbox的准确度。定义置信度为Pr(Object)∗IOUtruthpred，如果格子内有物体，则Pr(Object)=1，此时置信度等于IoU。如果格子内没有物体，则Pr(Object)=0，此时置信度等于0。

5. C类条件概率：条件概率定义为Pr(Classi|Object)，表示该单元格存在物体且属于第i类的概率。在测试的时候每个单元格预测最终输出的概率定义为，Pr(Classi|Object)∗Pr(Object)∗IOUtruthpred=Pr(Classi)∗IOUtruthpred

详细解释参考下图（来源于网络）：